ترجمه فارسی مقاله یک رویکرد یادگیری عمیق چند وظیفه‌ای برای پیش‌بینی عملکرد روسازی در سطح خط با داده‌های سطح قطعه

چکیده

The elaborate pavement performance prediction is an important premise of implementing preventive maintenance. Our survey reveals that in practice, the pavement performance is usually measured at segment-level, where an unique performance value is obtained for all lanes within one segment of 1km length. It still lacks more elaborate performance analysis at lane-level due to costly data collection and difficulty in prediction modeling. Therefore, this study developed a multi-task deep learning approach to predict the lane-level pavement performance with a large amount of historical segment-level performance measurement data. The unified prediction framework can effectively address inherent correlation and differences across lanes. In specific, the prediction framework firstly employed an Long Short-Term Memory (LSTM) layer to capture the segment-level pavement deterioration pattern. Then multiple task-specific LSTM layers were designed based on number of lanes to capture lane-level differences in pavement performance. Finally, we concatenated multiple task-specific LSTM outputs with auxiliary features for further training and obtained the lane-level predictions after fully connected layer. The aforementioned prediction framework was validated with a real case in China. It revealed a better model performance regardless of one-way 2-lane, 3-lane, and 4-lane scenarios, all lower than 10% in terms of mean absolute percentage error. The proposed prediction framework also outperforms other ensemble learning and shallow machine learning methods in almost every lane.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق عملکرد روسازی یک فرض مهم برای اجرای نگهداری پیشگیرانه است.نظرسنجی ما نشان می دهد که در عمل ، عملکرد روسازی معمولاً در سطح قطعه اندازه گیری می شود ، جایی که یک مقدار عملکرد منحصر به فرد برای همه خطوط در یک بخش از طول 1 کیلومتر بدست می آید.به دلیل جمع آوری داده های پرهزینه و دشواری در مدل سازی پیش بینی ، هنوز فاقد تجزیه و تحلیل عملکرد دقیق تر در سطح خط است.بنابراین ، این مطالعه یک رویکرد یادگیری عمیق چند وظیفه ای را برای پیش بینی عملکرد روسازی سطح خط با مقدار زیادی از داده های اندازه گیری عملکرد سطح بخش تاریخی ایجاد کرده است.چارچوب پیش بینی یکپارچه می تواند به طور مؤثر به همبستگی ذاتی و تفاوت های موجود در خطوط بپردازد.به طور خاص ، چارچوب پیش بینی در ابتدا از یک لایه حافظه کوتاه مدت (LSTM) طولانی مدت برای ضبط الگوی خرابکاری در سطح قطعه قطعه استفاده کرد.سپس چندین لایه LSTM اختصاصی کار بر اساس تعداد خطوط برای ضبط تفاوت های سطح خط در عملکرد پیاده رو طراحی شده است.سرانجام ، ما خروجی های LSTM چندگانه خاص کار را با ویژگی های کمکی برای آموزش بیشتر جمع کردیم و پیش بینی های سطح خط را پس از لایه کاملاً متصل به دست آوردیم.چارچوب پیش بینی فوق الذکر با یک مورد واقعی در چین تأیید شد.این عملکرد مدل بهتر را بدون در نظر گرفتن سناریوهای یک طرفه 2 خط ، 3 خط و 4 خط ، از نظر میانگین خطای درصد مطلق پایین تر از 10 ٪ نشان داد.چارچوب پیش بینی پیشنهادی همچنین از سایر روشهای یادگیری گروه و روشهای یادگیری ماشین کم عمق تقریباً در هر خط بهتر است.